基于降噪自编码器的推荐算法研究

发布时间：2023-01-12 12:46

　　随着互联网的发展,线上信息的体量和更新速率不断增长,信息过载问题日益严重,网络用户想获取自己所需的信息变得十分困难,推荐系统作为一种能解决信息过载问题的策略已经被广泛应用于各个领域。传统推荐算法大多只利用用户评分信息学习隐式特征,表示用户偏好从而进行推荐,虽然在实验中效果不错,但是实际应用中经常会出现冷启动以及数据稀疏问题从而导致推荐结果不够精确。随着人工智能技术的发展,推荐系统这一领域又有了新的研究方向,基于深度学习的推荐算法也是现在研究的热门之一。针对传统推荐算法中推荐结果不够精确的问题,本文结合深度学习在特征提取方面的优势,主要做了以下几方面的研究工作:1.对推荐系统领域做了较深入的研究和介绍,包括推荐系统的研究背景和现状,经典推荐算法的概述并分析其不足,本文使用的深度学习模型以及基于此模型的相关推荐算法。2.针对传统推荐算法中推荐结果不够精确的问题,提出了一种基于标签信息和降噪自编码器的推荐算法U-TDAE。U-TDAE利用降噪自编码器在特征提取方面的优势,对用户的深层特征进行提取。同时对降噪自编码器的激活函数进行改进使其在训练过程中融入了标签信息,在数据稀疏时可以将标签向量当... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外的研究现状
    1.3 本文研究内容
    1.4 论文结构安排
第2章 推荐系统研究综述
    2.1 推荐系统任务概述
    2.2 经典推荐算法
        2.2.1 基于内容的推荐算法
        2.2.2 协同过滤算法
        2.2.3 混合推荐算法
    2.3 自编码器
    2.4 激活函数
    2.5 基于自编码器的推荐算法
    2.6 本章小结
第3章 基于标签信息和降噪自编码器的推荐算法
    3.1 基于标签信息和降噪自编码器的推荐算法
        3.1.1 算法设计流程
        3.1.2 降噪自编码器
        3.1.3 训练降噪自编码器模型
        3.1.4 融入标签信息的降噪自编码器模型TDAE
        3.1.5 用户相似度计算和评分预测
    3.2 实验和结果分析
        3.2.1 数据集描述及数据预处理
        3.2.2 评价标准
        3.2.3 参数选择和调整
        3.2.4 交叉验证
        3.2.5 实验结果分析
    3.3 本章小结
第4章 基于项目相似度权重和降噪自编码器的推荐算法
    4.1 基于项目相似度权重的用户相似度计算
    4.2 基于项目相似度权重和降噪自编码器的推荐算法
        4.2.1 算法设计流程
        4.2.2 训练降噪自编码器
        4.2.3 用户相似度计算
        4.2.4 评分预测
    4.3 实验和结果分析
        4.3.1 数据集描述及数据预处理
        4.3.2 参数选择和调整
        4.3.3 实验结果分析
    4.4 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 展望
参考文献
作者简介及在学期间所取得的科研成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[2]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)
[3]基于用户特征和项目属性的协同过滤推荐算法[J]. 陈志敏,李志强.  计算机应用. 2011(07)



本文编号：3729944